Detecção de falhas, Análise cicloestacionária, Coeficientes cepstrais, CC Cíclico, Densidade espectral cíclica, Aprendizado de máquina, Random Forest, Manutenção preditiva.

A crescente complexidade dos sistemas industriais modernos impõe desafios significativos ao monitoramento de condição e à detecção precoce de falhas em máquinas rotativas. Os sinais acústicos gerados por esses equipamentos frequentemente apresentam estruturas cicloestacionárias associadas a periodicidades mecânicas, modulações e excitações recorrentes produzidas por componentes rotativos, variações de carga e mecanismos de falha. Técnicas clássicas de extração de características, como os Coeficientes Cepstrais de Frequência Mel (MFCC), baseiam-se em representações espectrais de curto tempo e não exploram explicitamente correlacões cicloestacionárias ou frequências cíclicas presentes nos sinais. Este trabalho propõe uma generalização cicloestacionária do MFCC, denominada Coeficientes Cepstrais (CC) Cíclicos, na qual a representação espectral convencional utilizada no banco de filtros Mel é substituída pela Função Densidade Espectral Cíclica (SCD), incorporando informações de segunda ordem sensíveis a padrões de modulação associados a falhas mecânicas. A partir dos coeficientes extraídos, um vetor de características compacto é construído para cada amostra e submetido a um classificador Random Forest, treinado e avaliado mediante diferentes condições de relação sinal-ruído. A abordagem foi validada na base de dados pública MIMII, que contempla quatro tipos de equipamentos industriais: válvula, bombas, ventiladores e trilhos deslizantes, com diferentes modelos por tipo de equipamento. Os resultados demonstram que o método proposto alcança desempenho superior à linha de base em cenários ruidosos, evidenciando maior sensibilidade às estruturas cicloestacionárias presentes em condições de falha. Os resultados obtidos indicam que a representação cicloestacionária proposta constitui uma alternativa promissora para o diagnóstico de falhas em ambientes industriais ruidosos.